Automated Amplitude and Phase Attribute-Based Horizon Picking Applied to 3-D Sub-bottom Data
Notice bibliographique
Résumé
The 3-D sub-bottom profiler (SBP) is widely used for observing sub-bottom structures due to its high resolution and spatial coverage. However, traditional picking methods are limited by scattering noise and imbalanced intensity, resulting in poor picking of reflections with weak intensities and overpicking due to scattering noise. This limitation has hindered the development of 3-D SBP processing technologies relative to the widespread applications. In this article, we present a 3-D SBP horizon-picking method that takes into account both amplitude and phase information. First, we apply an amplitude data enhancement filtering algorithm considering the plate-like structure and the nonvertical characteristic to avoid scattering noise interference and highlight plate-like horizon features. Subsequently, a threshold-based algorithm is applied to pick the amplitude horizons, reflecting the main structures of layer interfaces based on the processed amplitude data. Then, the local phase information of the SBP data is derived through the monogenic analysis, and phase horizons are picked, which can describe detailed reflections with weak intensities, although overpicking may occur. To leverage both amplitude and phase horizons, a combination method is proposed to ensure continuous and fine horizon picking containing both main and detailed 3-D SBP horizon structures. The method was validated by comparing automated horizon results with manual results using experimental data. A total of 87% and 86% F-measures were achieved on two data sets, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».